神经网络及其应用.pptVIP

用训练好的神经网络预测非线性函数的输出，并通过网络预测输出和期望输出分析该网络的拟合能力。 %% BP网络预测 %预测数据归一化 inputn_test=mapminmax(apply,input_test,inputps); %网络预测输出 an=sim(net,inputn_test); %网络输出反归一化 BPoutput=mapminmax(reverse,an,outputps); 误差分析： %预测误差 error=BPoutput-output_test; %总误差 errorsum=sum(abs(error)) 更多案例请查阅参考文献《Matlab神经网络30个案例分析》 请根据黄瓜病虫害的数据，用神经网络进行训练并进行病虫害分类。 见data.xls, diseasename.txt 运用蒙托卡罗方法计算2010年全国数学建模赛题A第二问：对于图1所示的实际储油罐，建立罐体变位后标定罐容表的数学模型，即罐内储油量与油位高度及变位参数（纵向倾斜角度?和横向偏转角度? ）之间的一般关系。并利用罐体变位后在进/出油过程中的实际检测数据（附件2），根据所建立的数学模型确定变位参数，给出罐体变位后油位高度间隔为10cm的罐容表标定值。进一步利用附件2中的实际检测数据来分析检验你们模型的正确性与方法的可靠性。 提交到licuibnu@ 信号从一个 * ：有监督的学习 调整自身突触权值以适应外界变化的能力——自适应模式系统。可用于分类。 * 非线性函数拟合，但是很难估计参数，它给的还是权值，对应的函数是非线性的。 * n-m的函数映射关系 * 欧式距离，也可以是别的距离； 求解过程可以用最速下降法，牛顿法，以及共个梯度法等。 * * 于是能够看出误差的向后传播性，信号是向前传播。 * 对BP神经网络预测精度有很大影响。 节点数太小，需要增加训练次数，影响训练精度； 节点数太多，训练时间增加，网络容易过拟合。 * t_{max}是最大迭代次数，t是当前迭代次数。 * 同样有train，simulation，init * 非线性函数 * 数据上网上下载，全国数学建模网站上下载。 * 5.权值更新。 根据网络预测误差e更新网络连接权值wij，wjk。 为学习率。 6.阈值更新。 根据网络预测误差e更新网络节点阈值a，b。 7.判断算法迭代是否结束，若没有结束，返回步骤2. 1.隐含层节点数： 最佳隐含层节点选择，参考如下公式（不是同时满足）： 其中c为0~10之间的常数。确定节点数的大概范围，然后用试凑法确定最佳节点数。 2.激活函数选择： 阶跃函数 ，准线性函数，双曲正切函数，Sigmoid函数，小波函数； 作用：光滑化，归一化，阈值化 3.变学习率法。 取值在[0,1]之间，学习率 越大，对权值的修改越大，网络学习速度越快。 过大的学习率将使权值学习过程中产生震荡， 过小的学习率使网络收敛过慢，权值难以趋于稳定。 变学习率法： 在BP网络进化初期较大，网络收敛迅速，随着学习过程的进行，学习率不断减小，网络趋于稳定。 4.附加动量方法。 原因：采用梯度修正法对权值和阈值的方法，从网络预测误差的负梯度方向修正权值和阈值，没有考虑以前经验的积累，学习过程收敛缓慢。 采用附加动量法来解决： 其中a为动量学习率。 将数据转化为[0,1]之间。 1）最大最小法 2）平均数方差法 命令：mapminmax [inputn,inputps] =mapminmax(input_train); inputn归一化的数据，inputps归一化得到的结构体，包含数据的最大值，最小值和平均值等信息。 测试数据的归一化和反归一化。 input_test =mapminmax(‘apply’, input_test, inputps);%归一化 Bpoutput =mapminmax(‘reverse’, an,outputs); %反归一化。 包括的网络有感知器，线性网络，BP神经网络，径向基网络，自组织网络和回归网络等。 BP神经网络包括三个函数newff，sim，train 1.建立BP网络函数：newff net=newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF) P:输入数据矩阵；T：输出矩阵数据；S：隐含节点数； TF：节点传递函数——hardlim，hardlims，purelin，tansig，logsig； BTF：训练函数，梯度下降法，包括traingd，traingdm等； BLF：网络学习函数，学习规则learngd，learngdm； PF:性能分析函数，绝对误差mae，均方误差mse； IP